- 1、本文档共3页,可阅读全部内容。
- 2、有哪些信誉好的足球投注网站(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
流通经济 Circulation Economy
零售商品销售量组合预测研究
昆明理工大学质量发展研究院 郭栋 李红娟 桑秀丽
摘 要:针对零售商品销售量预测精度不高,致使零售商蒙受经济损失的问题,本文提出ARIMA-GARCH与Elman神经网络的零售商
品销售量组合预测模型。先利用ARIMA-GARCH对存在异方差的零售商品销售量非平稳序列进行线性预测,再利用Elman神经网络
对销售序列进行非线性预测;最后,结合线性规划思想,运用误差绝对值最小赋权算法实现对零售商品销售量的精确预测。案例分
析表明,与ARIMA、BP等模型相比,该组合模型预测精度更高,更适合零售商品销售量的预测,在以后的零售商品销售预测中具有一
定的推广作用。
关键词:零售商品销售量 ARIMA-GARCH Elman神经网络 组合预测
中图分类号:F224 文献标识码:A 文章编号:2096-0298(2016)08(c)-001-03
零售商品销售是零售行业管理中最为重要的部分之一,零售 1 预测模型的构建
商品销售预测能为零售商的生产、运输、配送提供指导,提高经济 1.1 ARIMA-GARCH模型
效益,然而现实生活中往往因为销售预测精度不高带来种种问 ARIMA模型,适合预测具有非平稳时间序列的零售商品销售
题,比如,积压时间过长导致商品过期和浪费;供应不足导致消费 量[9] 。在预测过程中通常假设误差项的条件方差不变,使其无法有
者投诉和影响零售商声誉等[1] 。因此,对零售商品销售量进行精 效地解释零售商品销售量时间序列中的波动,为此,在模型中进一
确预测,一方面可以有针对性地进行零售商品生产,为消费者提 步引入GARCH模型。
供充足的货物保障;另一方面有利于零售商进行合理采购,避免 GARCH模型,即广义自回归条件异方差模型,可以轻易地发
浪费或积压。 现零售商品销售量时间序列变化中存在的异方差和聚类性[10] 。
目前,研究零售商品销售预测的方法有两种,一种为单一预 当ARIMA模型处理零售商品非平稳时间序列出现ARCH效
测法,诸如ARIMA [2] [3] [4] [5]
、灰色预测 、神经网络 、支持向量机 等 应时,就需用GARCH模型对残差项的异方差问题进行修正,此时
方法。另一种为组合预测法,诸如灰色预测和支持向量机结合[6] 、 的模型即为ARIMA-GARCH模型。
ARIMA与BP神经网络结合[7] [8]
、灰色模型与RBF神经网络结合 等 1.2 Elman神经网络
方法。虽然预测方法众多,但是,这些方法自身都存在一定的局限 Elman神经网络是一种内部具有反馈结构的动态回归神经
性。ARIMA法简单方便,却不能解决方差非齐性(异方差)问题。灰 网络[11] 。其网络结构主要分为四层:输入层、隐含层、承接层和输出
色预测法所需样本量少,计算快捷,却要求样本序列光滑离散。BP 层。Elman神经网络的误差函数为:
神经网络与支持向量机表现出相对较高的预测精度,却训练速度
慢,时间较长。ARIMA-GARCH模型能很好地解决回归分析中异 (1)
方差问题,并在预测领域得到广泛应用,但预测精度相比智能算法 分别计算 对所有连接权值矩阵的偏导数,修正各层间的
略低。Elman神经网络作为一种典型的动态回归网络,不同于BP和 连接权值,直至误差理想化或训练次数最大化。
RBF神经网络,其在BP神经网络结构的基础上,通过存储内部状 1.3 组合预
文档评论(0)